پيامد بخش‌هاي فيزيكي ماده‌ي آلي بر پايداري خاكدانه‌ها در سه زمين جنگلي، چراگاهي و كشاورزي

Effect of the physical fractions of organic matter on soil aggregate stabilities in three various land uses of forest, range, and agricultural lands

سابقه و هدف: پايداري ساختمان خاك به توانايي يك خاك در نگه‌داري آرايش دانه‌هاي جامد و فضاي ميان آن‌ها در هنگام روبرو شدن با تنش‌هاي گوناگون برمي‌گردد. با آگاهي از كاركرد بسيار مهم مواد آلي در پيدايش و پايداري خاكدانه‌ها، بخش‌هاي گوناگون آن‌ها بر پايداري خاكدانه‌ها پيامدهاي گوناگوني مي‌تواند داشته باشند. هم‌چنين، جداكردن بخش‌هاي گوناگون ماده‌ي آلي، به شناسايي بخش‌هاي پاسخ‌دهنده و پايدار ماده‌ي آلي و جايگاه قرارگيري آن‌ها در ساختار خاكدانه كمك مي‌كند. هدف از اين پژوهش، بررسي پيامد بخش‌هاي گوناگون ماده‌ي آلي بر پايداري خاكدانه‌هاي درشت (۰/۲۵< ميلي‌متر) و ريز (۰/۲۵≥ ميلي‌متر) با بهره‌گيري از مدل شبكه‌ي عصبي مصنوعي و رابطه‌ي رگرسيون خطي مي‌باشد. هم‌چنين، در اين پژوهش به بررسي ارتباط ميان بخش‌هاي گوناگون ماده‌ي آلي خاك در اجزاي گوناگون خاكدانه‌ها، تأثير نوع كاربري اراضي بر آن‌ها و بررسي مؤثرترين بخش مواد آلي بر پايداري خاكدانه‌ها در كاربري‌هاي گوناگون پرداخته شد. بنابراين، بخش‌بندي مزبور در اجزاي گوناگون خاكدانه‌ها در سه كاربري جنگل، چراگاه و كشاورزي در شهرستان رابر مورد مطالعه قرار گرفت. مواد و روش‌ها: شمار 15 نمونه‌ي خاك رويين (صفر تا 10 سانتي‌متر) به روش تصادفي با بيلچه از سه زمين با كاربري جنگل، چراگاه و كشاورزي از منطقه‌ي رابر واقع در استان كرمان برداشت شد. پس از هواخشك كردن نمونه‌هاي برداشت‌شده و گذراندن آن‌ها از الك چهار ميلي‌متري، ميانگين وزني قطر خاكدانه‌ها براي خاكدانه‌هاي درشت و ريز اندازه‌گيري شد. سپس، بخش‌بندي مواد آلي هر گروه از خاكدانه‌ها براي هر كدام از زمين‌هاي يادشده انجام شد. در پايان، اندازه‌ي كربن آلي در بخش‌هاي گوناگون ماده‌ي آلي و نيز اندازه‌ي كل كربن آلي خاك تعيين شد و با توجه به وزن و درصد ماده‌ي آلي هر بخش، درصدي از كل ماده‌ي آلي كه در هر بخش بود، برآورد گرديد. سپس داده‌هاي اندازه‌گيري ماده‌ي آلي، همانند داده‌هاي ورودي به مدل شبكه‌ي عصبي مصنوعي معرفي شدند. هم‌چنين، رابطه‌ي رگرسيوني ميان اين متغيرها و پايداري خاكدانه‌ها بررسي شد. يافته‌ها: اين پژوهش نشان داد كه مواد آلي دانه‌اي سست پوشيده ماده‌ي آلي (F1) در خاكدانه‌هاي درشت، بيشتر از خاكدانه‌هاي ريز بود. هم‌چنين، اين بخش از ماده‌ي آلي در كاربري جنگل، به‌دليل بالاتر بودن درصد ماده‌ي آلي آن در برابر دو كاربري ديگر، بيشتر بود. بخش پوشيده ماده‌ي آلي دانه‌اي (F2) در كاربري كشاورزي بسته به كارهاي خاك‌ورزي، خرد شدن خاكدانه‌ها و آزاد شدن ماده‌ي آلي پوشيده‌شده‌ي درون آن‌ها، كمتر بود. بخش سنگين ماده‌ي آلي كه همراه با مواد كاني بود (F3)، در برابر دو بخش ديگر، بيشترين درصد از كل ماده‌ي آلي خاك را داشت. اين بخش در خاكدانه‌هاي ريز در برابر خاكدانه‌هاي درشت در هر سه كاربري، بيشتر بود. اين بررسي هم‌چنين نشان داد كه رابطه‌ي رگرسيون خطي توان خوبي در نشان دادن رابطه‌ي ميان متغيرهاي بررسي‌شده و شناسه‌ي پايداري خاكدانه‌ها ندارد. در برابر آن، نمودارهاي مدل شبكه‌ي عصبي مصنوعي، نشان دادند كه همه‌ي متغيرهاي ورودي به اين مدل، بر MWD پيامددار بوده‌اند؛ اگرچه ضريب نشان متغيرهاي گوناگون، ناهمانند بود. نتيجه‌گيري: بخش‌هاي گوناگون ماده‌ي آلي خاك، در برابر كل ماده‌ي آلي، پاسخ‌دهي بيشتري به شيوه‌ي كاربري زمين‌ها داشتند. درصد خاكدانه‌هاي درشت و ريز بسته به شيوه‌ي كاربري، ناهمانند بود و خاكدانه‌هاي ريز با داشتن بيشترين اندازه‌ي ماده‌ي آلي، نسبت به خاكدانه‌هاي درشت، در برابر تنش‌ها پايداتر بودند. مدل شبكه‌ي عصبي مصنوعي در برآورد پايداري خاكدانه‌ها در برابر رابطه‌ي رگرسيون خطي از كارايي بالاتري برخوردار بود و نشان داد كه ميان بخش‌هاي گوناگون ماده‌ي آلي و MWD، روابط غيرخطي است. داشتن كارآيي بهتر مدل شبكه‌ي عصبي مصنوعي، نشان مي‌دهد كه از اين روش مي‌توان براي تعيين ارتباط خطي و يا غيرخطي ميان ويژگي‌هاي گوناگون خاك، با بيشترين دقت و صرف كمترين هزينه و زمان بهره‌گيري نمود. بنابراين بهره‌گيري از اين روش در برآورد ويژگي‌هاي گوناگون خاك، براي پژوهش‌هاي آينده نيز پيشنهاد مي‌گردد.

Background and objectives: Soil structure stability refers to the ability of a soil to hold up the solid particle arrangement and the spaces among them when face to different stresses. According to the important role of organic matters in formation and stability of soil aggregates; it appears that the different fractions of them may also have significant effects on soil aggregate stability. Furthermore, separating the different fractions of organic matter helps the identification of the sensitive and sustainable parts and their locations in aggregate structure. The purpose of this study is to evaluate the effect of different fractions of organic matters on the soil macro (>0.25 mm) and micro ( Materials and methods: Fifteen soil samples were taken from the surface (0-10 cm) using a supervised random method in three different land uses including forest, range, and agricultural lands (totally, 45 points) in Rabor region, Kerman province. After air-drying the samples and passing them through a 4 mm sieve, mean weight diameter (MWD) of soil aggregates was measured using the wet sieve method for the macro and micro aggregates. Then, different fractionations of organic matters in the macro and micro aggregates were determined using the density method. Finally, the amount of organic carbon in different fractions of organic materials and also the total amount of soil organic carbon were identified using the Walkley-Black method and then the percentage of total organic matter existed in each fraction was calculated by considering the weight and percentage of organic matter in each fraction,. Afterward, the organic matter data were used as input to the artificial neural network model. Besides, the regression relationships among the variables and soil aggregate stability were investigated. Results: The results showed that the free light fraction of organic matter (F1) in the macro-aggregates was greater than in the micro-aggregates. Also, the F1-amount in the forest was greater than the other two investigated land uses due to the higher organic matter content. The amounts of occluded light fraction of organic matter (F2) in the agricultural lands were lower than other land uses which might be due to tillage operation, soil aggregate destruction, and release of the trapped organic matter inside of them. The parts of organic matter which were associated with mineral fractions (F3) were allocated with the largest percentage of the total soil organic matter as compared to the other two fractions. The amount of last mentioned fraction was higher in the micro-aggregates than the macro-aggregates in all three investigated land uses. Results also revealed that the linear regression was not able to identify the interrelationship between the studied variables and aggregates stability index. In contrast, the diagrams related to artificial neural network model showed that all input variables to the model have influenced the MWD, although the important coefficients of the input variables were different. Conclusion: Different fractions of soil organic matter were more sensitive to the land use type than the total organic matter. The macro and micro aggregate percentages were different depending to the land use type; however, the micro aggregates with greater organic matter contents were more stable against entered stresses than the macro aggregates. Artificial neural network model had more efficiency in estimating the soil aggregate stability than the linear regression method indicating that there is a non-linear relationship between different fractions of organic matter and MWD. By considering the accuracy and efficiency of artificial network model, it appears that this method can be used to determine the linear and non-linear relationship among different soil properties, with higher precision and lower cost and time.